基于多样本对比损失的前 k 推荐
信息检索
2021-09-02 v1 人工智能
摘要
前 k 推荐是推荐系统中的一项基础任务，通常通过正样本与负样本对的比较来学习。对比损失（CL）是对比学习中的关键，近来受到更多关注，我们发现它非常适用于前 k 推荐。然而，CL 将正样本与负样本的重要性视为相同是一个问题。一方面，CL 面临一个正样本与多个负样本的不平衡问题。另一方面，在更稀疏的数据集中正样本极少，其重要性应被强调。此外，另一个重要问题是稀疏正样本在推荐中仍未被充分利用。因此我们提出了一种新的数据增强方法，通过同时使用多个正样本（或样本）与 CL 损失函数。为此，我们提出了一种基于多样本的对比损失（MSCL）函数，通过平衡正负样本重要性与数据增强解决了这两个问题。并且基于图卷积网络（GCN）方法的实验结果表明了 MSCL 的 SOTA 性能。所提出的 MSCL 简单且可应用于许多方法。我们将在论文被接收后在 GitHub 上发布代码。
引用
@article{arxiv.2109.00217,
title = {Multi-Sample based Contrastive Loss for Top-k Recommendation},
author = {Hao Tang and Guoshuai Zhao and Yuxia Wu and Xueming Qian},
journal= {arXiv preprint arXiv:2109.00217},
year = {2021}
}
备注
12 pages,7 figures,6 tables